基于大模型的AI助学模块开发与研究

　　文/罗经辉 杜敏成 广东生态工程职业学院

　　摘要：针对Web前端考证实训平台中学习效率与个性化指导不足的问题，本文提出基于大模型的人工智能（AI）助学模块开发方案，设计并实现集智能问答、知识推荐与学习路径优化于一体的功能模块。研究聚集大模型技术选型、考证知识库构建、语义分析优化及原子化知识单元等。实践结果表明，AI助学模块显著提升了用户交互体验与知识掌握效率，为教育智能化提供了可扩展的实践路径。未来将进一步探索知识图谱与多模态技术的整合，以深化教育场景的智能化应用。

　　关键词：人工智能；大模型；AI助学模块

　　引言

　　随着人工智能（artificial intelligence，AI）技术的飞速发展，其在教育领域的应用日益广泛，正深刻改变传统教学模式和学习方式。教育领域长期面临资源分配不均、教学质量参差、学生学习效率低等问题，而AI技术以其强大的数据处理能力、智能化决策支持和个性化学习体验，为解决这些问题提供了新思路。通过AI技术可实现教学资源的智能化配置，提供个性化学习路径和资源推荐，提高教学针对性和有效性。大模型应用程序编程接口（application programming interface，API）作为连接AI技术与实际应用场景的桥梁，降低了智能化教育工具的研发门槛，助力开发者快速构建各种智能化教育应用。

　　1. 相关研究现状

　　1.1 大模型在教育领域的应用

　　大模型因其多模态处理能力、预训练与微调机制等特性，在教育领域展现出巨大应用潜力[1]。这些模型利用机器学习和深度学习技术从数据中学习，具备类似人类的学习、预测能力。它们在教育领域的应用，不仅可以提升教学效率和质量，还能为学生提供更加个性化、智能化的学习体验[2]。例如，通过结合大语言模型与知识图谱，可以准确理解学生的问题，并从知识图谱中抽取相关信息，实现专业领域的问答系统，为学生提供准确且友好的交互服务[3]。生成式AI作为重要分支，正在重塑未来教育的形态，其强大的自然语言处理和生成能力，能够为学生提供全方位、智能化的辅导服务，满足多样化的学习需求[4]。在实际应用中，大模型API使开发者能够在自己的应用程序、服务或研究中轻松整合和使用大模型的功能，增加了教育应用的灵活性[5]。

　　1.2 大模型技术的挑战与发展趋势

　　尽管大模型技术在教育领域的应用取得了显著成效，但其仍面临着诸多挑战，如模型服务的稳定性和安全性、API的兼容性以及数据的安全性和隐私保护等[6]，同时标注数据不足、人工标注代价大等问题都需要妥善解决[7]。为了应对这些挑战，学术界正在积极探索优化和创新的方法。一方面，通过优化模型训练数据和算法设计，提高模型的准确性和一致性，以提升其在教育应用中的表现[8]；另一方面，通过引入新的技术范式，如提示学习等，缩小预训练与微调阶段的数据形式差异，使模型能够更高效地应用于下游任务[9]。

　　综合而言，大模型技术在教育领域前景广阔，将持续提升教学效率和质量，为学生提供更个性化、智能化的学习体验 [10]。

　　2. 研究内容与技术路径

　　2.1 研究内容

　　本文在自主研发的Web前端考证实训平台中，利用大模型技术开发AI助学模块，以提升学生的学习效率和考证通过率。当前实训平台主要以题库练习为主，缺乏对学生学习过程的即时指导和辅助。引入AI助学模块可以满足学生的个性化学习需求，为学生提供个性化学习路径和资源推荐，减轻教师答疑负担，从而提高教学针对性。AI助学模块还将补充知识链接和扩展阅读材料，以拓宽学生知识面。为确保使用便捷，AI助学模块将直接集成于平台界面，设计友好用户界面和交互方式，提升整体使用体验。

　　2.2 技术路径

　　随着大模型技术的持续演进，市场上涌现了众多成熟的大模型API提供商，其通过大模型强大的自然语言处理和生成能力，为AI助学模块的开发提供了坚实的基础。为筛选出最适合本次研发需求的模型，我们对当前市场上的国际和国内主流大模型技术特点进行了全面分析。在国际市场上，OpenAI的ChatGPT展现了强大的自然语言处理能力，Google的Gemini模型在多模态信息处理方面表现突出。国内大模型如百度千帆、阿里通义千问、智谱GLM-4-Flash等也在技术实力和应用广泛性上取得了显著成果。各大模型的技术特点对比分析，如表1所示。

　　综合比较后，本文最终选用了智谱的GLM-4-Flash大模型，其支持长上下文处理、多语言支持等特性，特别适合以学生问题为导向的即时学习场景，能较好地满足本研究的开发需求。

　　实训平台采用了前后端分离的技术架构，这一设计极大地方便了AI助学模块的集成和调试。在开发过程中，只需在前端增加相应的功能模块，并与后端服务器进行数据交互，即可实现AI助学模块的快速部署和上线。

　　3. AI助学模块的设计与实现

　　3.1 大模型技术的应用

　　在Web前端考证实训平台中，主要采用VUE和Node.js进行前后端开发。鉴于平台的技术选型，我们选择了Javascript语言进行API调用函数设计，以便与前端框架和后端服务无缝对接。

　　根据智谱提供的API文档，通过智谱平台注册账号并实名认证后，获取API Keys用于身份验证。按照GLM-4-Flash大模型的同步调用API请求方法进行调用，前后端均可发起HTTP请求引用该接口，确保技术可行性与灵活性。

　　在答疑模块的开发实践中，选用Fetch API技术发送HTTP请求，基于Promise设计，实现简洁且强大的网络请求执行能力。在构建请求参数时，严格遵循API文档的要求，确保请求参数的完整性和准确性。对话消息列表作为请求参数的重要组成部分，包含了对话信息的详细记录。每一条对话信息对象均包括对话角色和对话内容，对话角色分为system（系统信息）、user（用户信息）和assistant（AI助手信息），对话内容则为具体的对话信息字符串。通过构建包含多条对话信息对象的对话列表数组，实现了上下文的关联与追踪，为AI答疑助学提供了充足的信息承载能力和上下文理解能力。GLM-4-Flash大模型API支持长达128K的长上下文处理，进一步增强了其在复杂对话场景中的应用潜力。

　　成功发送API请求后即可等待模型完成执行并返回最终结果。响应参数主要包括模型名称、当前对话的模型输出内容、模型token使用统计等关键信息。其中，模型输出内容中的message.content作为模型返回的文本消息字符串，是实现答疑反馈的核心依据。

　　3.2 知识库的构建与应用

　　为更紧密贴合考证需求，在智谱AI大模型开放平台创建专属知识库，导入与考试紧密相关的知识体系文档、考题解决要点等资料。控制台自动启动知识处理学习流程，对知识进行深度解析、切片处理及向量化转换。修改接口调用函数参数，将Web前端考证实训平台内容知识库融入其中。具体实现时在API请求体中新增工具参数tools，类型为retrieval，输入所创建知识库ID。引入自建知识库后，用户提问时系统优先从知识库检索提取相关内容答疑，确保服务精准性与针对性。AI助学模块效果如图1所示。

　　随着Web前端考证实训平台的使用深入，考试内容的调整、题库的更新、教师对知识的补充以及学生常见问题的总结等情况时有发生。为保障知识库的时效性与准确性，开发知识更新功能，深度融合智谱大模型所提供的上传文档，以构建知识、编辑知识内容、管理知识列表、查看知识详情、删除知识条目，以及通过上传URL构建知识、重新进行向量化等一系列相关API，为教师提供了高效的知识库知识增量更新途径、错题解答实例的追加方式、常见提问标准答案的入库手段，有效保障知识库内容与考证需求同步。

　　4. 功能的优化探索

　　目前，Web前端考证实训平台已通过大模型实现了高效的人机交互，显著提升了答疑效率和用户体验。接下来，我们将继续探索更多应用场景，以进一步优化和拓展系统功能。

　　4.1 问题精炼及归档

　　通过Web前端考证实训平台收集并整理学生提问，存储于后端数据库。传统关键字对比归类方法存在语序或语法差异导致的错误归类问题。为改善此状况，引入智谱大模型进行语义分析。通过语义分析精准比对和甄别新问题与数据库中已有问题，实现同类问题的合并、加权及去重，确保新问题准确入库。同时，根据问题权重，展示最多疑惑的知识点提问，提高答疑效率。为提高效率，尝试了批量比对方法，但当前AI大模型在分析问题集合时仍存在一定偏差。未来将继续探索更高效的提问模式，以优化比对过程。

　　4.2 知识架构的智能化整理

　　Web前端考证实训平台题库内容与结构须随行业标准、技术发展和学科知识体系更新而迭代。为应对这一挑战，计划通过大模型，实现知识的智能归纳与架构整理。通过调用大模型，利用其自然语言理解与语义分析能力，对题库题目进行深度解析，提取核心信息。结合知识图谱技术，对解析后的知识点进行结构化组织与关联分析，直观展示知识点内在联系与层次结构，帮助学生形成完整、系统的知识体系。

　　知识图谱的构建使散落于题库中的知识点有机串联，形成清晰的知识网络，提高知识归纳效率，确保知识架构的时效性与精确性。随着题库更新迭代，能及时调整与优化知识架构，为学生提供科学、系统的知识导航，提高学习效率与效果。

　　4.3 原子化知识单元的构建

　　学生练习过程中产生的提问记录揭示了知识掌握薄弱环节，是宝贵的教学反馈资源。为充分利用这一资源，可以借助大模型构建原子化知识题库。通过调用大模型，对学生提问进行语义解析，识别并提取核心知识点，拆解为原子化知识单元。基于这些单元，设计一系列最简单的练习题库，通过反复训练帮助学生牢固掌握基础知识。

　　此过程实现了知识点的精准定位与练习题的个性化设计，为学生提供高效、系统的复习平台，针对性弥补知识短板，全面提升考证成绩。

　　结语

　　在设计与实现Web前端考证平台的AI助学模块过程中，深切体会到AI技术在教育助学领域所展现的便利性与互动性优势，并通过实践验证了大模型在教育场景的实用价值，但数据隐私、技术依赖性、内容准确性及普及成本等挑战仍须关注。未来，须平衡技术创新与伦理约束，通过政策、技术与多方协作，最大限度释放大模型教育潜力，推动教育现代化持续发展。

　　参考文献：

　　[1]杨坡.AI大模型在职业教育领域中的应用[J].天津职业院校联合学报,2024, 26(12):38-42,49.

　　[2]杨瑞.学校教育中人工智能应用的现实困境与突破[J].教学与管理,2021(9): 92-94.

　　[3]张鹤译,王鑫,韩立帆,等.大语言模型融合知识图谱的问答系统研究[J].计算机科学与探索,2023,17(10):2377-2388.

　　[4]刘邦奇,聂小林,王士进,等.生成式人工智能与未来教育形态重塑：技术框架、能力特征及应用趋势[J].电化教育研究,2024,45(1):13-20.

　　[5]贾鹏.基于大语言模型的农业知识问答系统的研究与设计[D].秦皇岛:河北科技师范学院.2024.

　　[6]周文斌.现在讨论AI安全，为时尚早吗？[J].大数据时代,2023(7):58-80.

　　[7]孙彦帮.基于大型预训练语言模型的API知识提取与推理方法研究[D].南昌:江西师范大学.2024.

　　[8]向巴卓玛,王珍珍,畅洪昇,等.基于大型语言模型的药理学考试主观题智能评分研究[J].中国医学教育技术,2024,38(5):572-579.

　　[9]柯沛,雷文强,黄民烈.以ChatGPT为代表的大型语言模型研究进展[J].中国科学基金,2023,37(5):714-723.

　　[10]肖君,白庆春,陈沫,等.生成式人工智能赋能在线学习场景与实施路径[J].电化教育研究,2023,44(9):57-63,99.

　　作者简介：罗经辉，本科，副教授，lodyfly@163.com，研究方向：软件开发；杜敏成，硕士研究生，副教授，研究方向：Web前端开发、人工智能。

　　基金项目：中国职业技术教育学会－华为技术有限公司2024年度产教融合专项课题——大模型典型应用场景研究-助学（编号：XHHWCJRH2024-02-04-01）。